第1章PySpark大数据分析概述 1
1.1 大数据分析概述 1
1.1.1 大数据的概念 2
1.1.2 大数据分析的概念 3
1.1.3 大数据分析的流程 4
1.1.4 大数据分析的应用场景 6
1.1.5 大数据技术体系 6
1.2 Spark大数据技术框架 10
1.2.1 Spark 简介 10
1.2.2 Spark 特点 11
1.2.3 Spark运行架构与流程 11
1.2.4 Spark RDD 14
1.2.5 Spark 生态圈 20
1.3 PySpark大数据分析 21
1.3.1 PySpark 简介 21
1.3.2 PySpark 子模块 22
小结 25
课后习题 26

第2章 PySpark安装配置 27
2.1 搭建单机模式的PySpark开发环境 28
2.1.1 安装 JDK 28
2.1.2 安装 Anaconda 28
2.1.3 安装 Hadoop 30
2.1.4 安装 MySQL 36
2.1.5 安装 Hive 37
2.1.6 配置 PySpark 模块 43
2.1.7 运行 Jupyter Notebook 44
2.2 搭建分布式模式的PySpark开发环境 45
2.2.1 安装配置虚拟机 46
2.2.2 安装 Java 53
2.2.3 搭建Hadoop分布式集群 58
2.2.4 安装MySQL数据库 62
2.2.5 安装Hive数据仓库工具 63
2.2.6 搭建Spark完全分布式集群 66
2.2.7 安装 PyCham 69
2.2.8 安装Python解释器及PySpark 模块 69
2.3 Python函数式编程 69
2.3.1 Python常用数据结构 70
2.3.2 Python函数式编程基础 75
小结 76
课后习题 76

第 3 章 基于 PySpark 的 DataFrame 操作 78
3.1 Spark SQL 概述 78
3.1.1 Spark SQL起源与发展历程 79
3.1.2 Spark SQL 主要功能 79
3.1.3 Spark SQL数据核心抽象 DataFrame 80
3.2 pyspark.sql 模块 82
3.2.1 pyspark. sql 模块简介 82
3.2.2 pyspark. sql 模块核心类 83
3.3 DataFrame 基础操作 85
3.3.1 创建 DataFrame 对象 86
332 DataFrame 操作 93
3.3.3 DataFrame 输出操作 113
小结 114
实训 114
实训1网站搜索热词统计分析 114
实训2大数据岗位招聘信息统计分析 115
课后习题 116

第4章 基于PySpark的流式数据处理 118
4.1 Spark Streaming 概述 119
4.1.1 流计算简介 119
4.1.2 Spark Streaming 基本概念 121
4.1.3 Spark Streaming 工作原理 121
4.1.4 Spark Streaming 运行机制 122
4.2 pyspark.streaming 模块 123
4.2.1 pyspark. streaming 模块简介 123
4.2.2 pyspark. streaming 模块核心类 124
4.2.3 DStream 基础操作 126
4.3 Structured Streaming 结构化流 处理 146
4.3.1 Structured Streaming 概述 146
4.3.2 Structured Streaming 编程模型 147
4.3.3 Structured Streaming 基础操作 148
4.3.4 Structured Streaming 编程步骤 152
小结 155
实训 155
实训1使用Spark Streaming实现菜品价格实时计算 155
实训2使用Spark Streaming实时判别车辆 所属地 156
课后习题 156

第5章 基于PySpark的机器学习库 158
5.1 MLlib 算法 159
5.1.1 机器学习 159
5.1.2 MLlib 159
5.1.3 pyspark.ml 模块 159
5.2 使用pyspark.ml模块的转换器处理和转换数据 162
5.2.1 数据加载及数据集划分 162
5.2.2 数据降维 164
5.2.3 数据标准化 166
5.2.4 数据类型转换 171
5.3 pyspark.ml模块的评估器和模型 评估 175
5.3.1 使用PySpark构建并评估分类 模型 175
5.3.2 使用PySpark构建并评估回归 模型 182
5.3.3 使用PySpark构建并评估聚类 模型 186
5.3.4 使用PySpark构建并评估智能推荐模型 189
小结 195
实训 195
实训1使用随机森林模型预测是否批准 用户申请 195
实训2使用回归模型实现房价预测 196
课后习题 197

第6章 案例分析：基于PySpark的网络 招聘信息的职业类型划分 199
6.1 需求与架构分析 200
6.1.1 业务需求分析与技术选型 200
6.1.2 系统架构分析 200
6.2 数据探索 201
6.2.1 数据说明 202
6.2.2 数据读取 202
6.2.3 重复数据与空值探索 204
6.2.4 异常数据探索 205
6.3 数据预处理 207
6.3.1 数据清洗 207
6.3.2 中文分词与去停用词 208
6.3.3 词特征向量化 210
6.4 模型构建与评估 213
6.4.1 LDA算法简介 214
6.4.2 LDA模型构建与评估 215
6.4.3 构建LDA模型 217
6.5 制作词云图 220
小结 225

第7章 案例分析：基于PySpark的信用贷款风险分析 226
7.1 需求与架构分析 227
7.1.1 业务需求分析 227
7.1.2 系统架构分析 227
7.2 数据探索 228
7.2.1 数据说明 228
7.2.2 建立数据仓库并导入数据 230
7.2.3 用户信息完善情况与逾期率的关系探索 233
7.2.4 用户信息修改情况与逾期率的关系探索 236
7.2.5 用户借款月份与逾期率的关系探索 240
7.3 数据预处理 243
7.3.1 计算用户信息缺失个数及借款月份构建新特征 243
7.3.2 用户更新信息重建 245
7.3.3 用户登录信息重建 250
7.3.4 分类数据预处理 255
7.3.5 字符串字段编码处理 259
7.3.6 分类数据重编码 263
7.3.7 缺失值处理 265
7.4 模型构建与评估 267
7.4.1 了解 GBTs 算法 267
7.4.2 构建 GBTs 模型 268
7.4.3 评估 GBTs 模型 271
7.5 部署和提交PySpark应用程序 271
7.5.1 打包PySpark应用程序 271
7.5.2 提交PySpark应用程序 274
小结 275
参考文献 276